python - 为什么 numpy.broadcast "transpose"vstack 和类似函数的结果？

Question

观察:

In [1]: import numpy as np
In [2]: x = np.array([1, 2, 3])
In [3]: np.vstack([x, x])
Out[3]: 
array([[1, 2, 3],
       [1, 2, 3]])

In [4]: np.vstack(np.broadcast(x, x))
Out[4]: 
array([[1, 1],
       [2, 2],
       [3, 3]])

column_stack 和 row_stack 类似(hstack 在这种情况下表现不同，但在与广播一起使用时也不同)。为什么？

我追求的是其背后的逻辑，而不是找到一种“修复”这种行为的方法(我对此很好，只是不直观)。

Answer 1

np.broadcast 返回一个迭代器对象的实例，该实例描述如何数组应该一起广播。¹除其他外，它描述结果数组的形状和维数。

至关重要的是，当您在 Python 中实际迭代这个对象时，您会从每个输入数组中取回元素的元组:

>>> b = np.broadcast(x, x)
>>> b.shape
(3,)
>>> b.ndim
1
>>> list(b)
[(1, 1), (2, 2), (3, 3)]

这告诉我们，如果我们对数组执行实际操作(例如，x+x)，NumPy 将返回形状为 (3,) 的数组，一维并组合元组中的元素以生成最终数组中的值(例如，它将执行 1+1、2+2、3+3 用于添加)。

如果深入了解 vstack 的源代码，您会发现 all it does就是要保证给它的iterable的元素至少是二维的，然后沿着轴0把它们堆叠起来。

在 b = np.broadcast(x, x) 的情况下，这意味着我们得到以下要堆叠的数组:

>>> [np.atleast_2d(_m) for _m in b]
[array([[1, 1]]), array([[2, 2]]), array([[3, 3]])]

然后将这三个小阵列垂直堆叠，产生您记下的输出。

---

¹ 不同维度的数组如何并行迭代是 NumPy 广播工作原理的核心。大部分代码可以在 iterators.c 中找到.可以在 Beautiful Code 中找到由 Travis Oliphant 自己编写的 NumPy 多维迭代器的有趣概述。书。